随着网络的迅速发展,各种信息越来越多的在网络上汇集,信息过载与信息迷失的问题日益严重。电子商务技术的发展,使商务系统为用户提供的越来越多的选择,网站结构也变得越来越复杂,用户经常迷失在大量的商品信息之中,无法顺利的找到自己需要的商品。在这种情况下,Web数据挖掘与电子商务系统的结合,产生了数据挖掘的一个分支——电子商务推荐系统。电子商务推荐系统直接与用户交互,模拟销售人员向用户推荐商品,帮助用户找到真正需要的商品,而商务网站可以保持用户,提高销售与服务质量。电子商务推荐系统因良好的应用前景,在理论和实践中都得到了很大的发展,但是随着商务规模的不断扩大,网络信息的数量与商品种类的急速增长,对推荐系统提出了严峻的挑战。针对电子商务系统遇到的挑战,本文对推荐系统与推荐算法进行了研究,提出了基于粒子群优化(Particle Swarm Optimization)的项聚类推荐算法。粒子群优化算法是一种演化计算技术,它具有简单、有效、收敛速度较快、全局搜索能力较强等特点,近年来受到学术界的高度关注。在以往的基于项目聚类的推荐算法中,多数都用了K-means算法产生聚类,但是该算法的缺陷是容易陷入局部最优,效率不高,而且在推荐系统中遇到相似度衡量不准确的问题,因此本文引入粒子群算法优化聚类过程,粒子群算法的适应度函数能较准确的衡量项目之间的相似性,快速找到较优的聚类中心。论文在研究的过程中,分析了推荐算法数据集的稀疏性问题,采用项目均值填充的方式降低稀疏性,然后用粒子群优化的项聚类算法产生聚类中心,在此基础上搜索目标项目的最近邻居,并产生推荐。这一举措改进了传统聚类算法的推荐准确性问题与数据的稀疏性问题,提高了响应速度与推荐质量。实验表明基于粒子群优化的项聚类改进算法能有效的提高推荐精度。